基于AHP-RBR 的燃氣輪機壓氣機故障診斷方法研究

彭道剛，姬傳晟，涂 煊，戚爾江

（1.上海電力大學(xué) 自動化工程學(xué)院，上海 200090；2.上海工業(yè)自動化儀表研究院有限公司，上海 200233）

0 引言

在發(fā)電行業(yè)中，燃氣輪機發(fā)電機組因啟停迅速、熱效率高、污染少等優(yōu)點成為當今主流發(fā)電形式之一[1]，但是我國燃氣輪機的關(guān)鍵核心技術(shù)仍依賴于國外。為了改變這種現(xiàn)狀，國家加大對燃氣輪機的政策支持，由國家能源局發(fā)布的《電力發(fā)展“十三五”規(guī)劃》和《依托能源工程推進燃機創(chuàng)新發(fā)展的若干意見》等政策推動燃氣輪機行業(yè)快速發(fā)展。

壓氣機作為燃氣輪機的主要部件，其運行狀態(tài)直接影響著燃氣輪機的穩(wěn)定運行。壓氣機發(fā)生故障，燃氣輪機的性能就會下降，嚴重時可能導(dǎo)致燃氣輪機停機。如果能夠及時診斷出壓氣機的故障類型，降低因壓氣機故障而引起燃氣輪機非計劃停機的風(fēng)險，對燃氣輪機穩(wěn)定運行具有重要意義。

目前，燃氣輪機故障診斷方法主要分為數(shù)學(xué)模型診斷、經(jīng)驗知識診斷和數(shù)據(jù)驅(qū)動診斷三類[2]。文獻[3]利用燃氣輪機故障的經(jīng)驗知識建立數(shù)學(xué)模型，提高了燃氣輪機故障診斷的精度和準確率。文獻[4]采用核主元分析法對燃氣輪機歷史數(shù)據(jù)進行分析，建立特征模型，實現(xiàn)特征變換，挖掘燃氣輪機故障的關(guān)鍵信息。文獻[5]采用模糊綜合評判和故障樹分析相結(jié)合的診斷方法，解決了傳統(tǒng)故障樹診斷的不確定性，有效地提高燃氣輪機故障診斷準確率。文獻[6]提出的將條件規(guī)則和故障樹相結(jié)合的燃氣輪機故障診斷技術(shù)，能夠準確分析故障發(fā)生的原因和位置，為維修人員提供方便。早期故障診斷都是基于規(guī)則的專家系統(tǒng)，簡單、方便、形象地描繪出故障類型和征兆的關(guān)系，診斷推理速度快；缺點是規(guī)則知識庫覆蓋的故障類型不夠全面，對未出現(xiàn)過的故障，難以識別其故障類型，需要不斷進行補充和完善。

基于RBR（規(guī)則推理）的故障診斷方法需要建立故障知識庫，從而挖掘出故障類型和征兆參數(shù)之間的隱藏關(guān)系。傳統(tǒng)的RBR 存在一個問題，就是對于每種故障類型中各征兆參數(shù)的影響權(quán)重不能夠表現(xiàn)出來。所以，本文提出了利用AHP（層次分析法）確定壓氣機故障類型各征兆參數(shù)之間的權(quán)重，有效解決了這個問題，從而可以更好地利用RBR 來進行故障診斷。

1 AHP-RBR 故障診斷流程

壓氣機發(fā)生故障時，其部分參數(shù)也發(fā)生變化，這些參數(shù)即為征兆參數(shù)。根據(jù)已有文獻研究成果和壓氣機故障案例分析，壓氣機故障類型和征兆參數(shù)有較強的規(guī)則性關(guān)系。文獻[7]證明同轉(zhuǎn)速下進口質(zhì)量流量衰減可作為判斷壓氣機是否積垢的依據(jù)。文獻[8]認為壓氣機的葉片磨損會導(dǎo)致級組壓比減小、進氣質(zhì)量流量減少、壓氣機增壓能力降低等。所以通過挖掘故障類型和征兆參數(shù)之間的規(guī)則性關(guān)系，可以有效地進行故障診斷。

本文通過AHP-RBR 模型進行故障診斷，首先將專家的知識、經(jīng)驗和壓氣機的故障案例存儲在故障知識庫中，然后利用AHP 確定知識庫的故障類型與各征兆參數(shù)之間的權(quán)重。將壓氣機運行的故障數(shù)據(jù)與利用LSTM（長短期記憶網(wǎng)絡(luò)）模型的預(yù)測數(shù)據(jù)進行處理，獲得壓氣機故障偏差數(shù)據(jù)量化值組，最后通過加權(quán)歐氏距離最小值的相似度模型識別出壓氣機的故障類型，從而實現(xiàn)燃氣輪機壓氣機的故障診斷。燃氣輪機壓氣機故障診斷的整體流程如圖1 所示。

2 AHP-RBR 故障診斷模型

2.1 構(gòu)建壓氣機故障知識庫

圖1 燃氣輪機壓氣機故障診斷整體流程

根據(jù)已有文獻的研究成果和故障案例分析，搜集、整理壓氣機的故障類型與故障特征，構(gòu)造壓氣機故障知識庫。通過知識庫的構(gòu)建能夠簡單、直觀地發(fā)現(xiàn)壓氣機故障類型和征兆參數(shù)之間的變化關(guān)系，為故障診斷提供依據(jù)，如圖2 所示。

2.2 層次分析法確定征兆參數(shù)權(quán)重

壓氣機發(fā)生葉片積垢、葉片磨損腐蝕、進氣口結(jié)冰等故障時，其入口壓力、出口溫度、效率等會發(fā)生變化，但是對于不同的故障類型可能會有相同的故障征兆，其間的關(guān)聯(lián)性很強。根據(jù)案例發(fā)現(xiàn)，不同的故障類型所依賴的故障征兆之間的權(quán)重是不同的。例如壓氣機葉片積垢與級組壓比、空氣流量、壓氣機出口壓力之間的影響較為強烈[9]，壓氣機喘振與進氣質(zhì)量流量、壓氣機效率的影響也較大[10]，所以可加大征兆參數(shù)的權(quán)重，來區(qū)別不同的故障類型。本文診斷的故障類型主要有壓氣機葉片積垢、葉片磨損腐蝕、進氣口結(jié)冰、喘振，分別記為Pi（i=1，2，3，4）。對應(yīng)的故障征兆參數(shù)有導(dǎo)葉開度、壓氣機進氣質(zhì)量流量、壓氣機入口溫度、壓氣機出口溫度、壓氣機入口壓力、壓氣機出口壓力、級組壓比、壓氣機效率、負荷[11-14]，分別記為指標Ij（j=1，2，…，9）。

采用層次分析法來確定每種故障類型各征兆參數(shù)之間的權(quán)重。對壓氣機故障類型的征兆參數(shù)進行分析，建立層次結(jié)構(gòu)模型。通過專家的知識、經(jīng)驗和壓氣機故障案例分析，對壓氣機故障征兆的各因素進行客觀比較，給出重要的定量標度。構(gòu)造判斷矩陣，從而計算出故障類型各征兆參數(shù)的權(quán)重ωi={ωi1，ωi2，ωi3，…，ωi9}。圖3 所示為層次分析法確定燃氣輪機壓氣機故障類型征兆參數(shù)權(quán)重流程。

圖2 壓氣機常見故障知識庫

圖3 征兆參數(shù)權(quán)重確定流程

2.2.1 構(gòu)造判斷矩陣

層次分析法的判斷矩陣由各因素兩兩比較相對重要性的數(shù)值寫成的矩陣形式。判斷矩陣用A表示。判斷矩陣元素值axy表示第x 個元素與第y個元素相比，axy用數(shù)字1-9 及其倒數(shù)作為標度[15]，ayx表示axy的倒數(shù)，如表1 所示。

表1 判斷矩陣axy標度方法

2.2.2 判斷矩陣一致性檢驗

通過判斷矩陣特征值計算,得到判斷矩陣最大特征值λmax，特征向量α。將特征向量歸一化，從而獲得層次間的重要權(quán)值ωij，并進行一致性檢驗。在構(gòu)造判斷矩陣A 時，要檢驗判斷矩陣是否具有一致性，否則需要重新調(diào)整判斷矩陣的元素，使其達到要求[16]，一致性校驗公式如下：

式中：CI 為壓氣機故障類型判斷矩陣一致性指標；n 為壓氣機故障類型的判斷矩陣階數(shù)；CR 為壓氣機故障類型判斷矩陣的一致性比例；RI 為壓氣機故障類型判斷矩陣的平均一致性指標。

隨著判斷矩陣的階數(shù)變化，RI 具體值如表2所示。本文為9 階矩陣，RI 的值為1.45。對于判斷矩陣，CR 的值越小，則一致性越好，一般CR的值小于0.1 時，判斷矩陣滿足一致性的要求。

2.3 LSTM 模型預(yù)測與量化處理

根據(jù)故障知識庫選取導(dǎo)葉開度、壓氣機進氣質(zhì)量流量、壓氣機入口溫度、壓氣機出口溫度、壓氣機入口壓力、壓氣機出口壓力、級組壓比、壓氣機效率、負荷9 個特征參數(shù)。利用某發(fā)電廠提供的2017 年5 月壓氣機3 000 組正常運行數(shù)據(jù)建立LSTM 預(yù)測模型，其中90%做訓(xùn)練，10%做測試。以壓氣機進氣質(zhì)量流量為例，模型輸出結(jié)果如圖4 所示，預(yù)測值與實際值的殘差曲線如圖5 所示。由圖5 可知，誤差在0.5%以內(nèi)，具有良好的預(yù)測效果。

圖4 壓氣機進氣量預(yù)測值與實際值曲線

圖5 壓氣機進氣量殘差百分比

將壓氣機的故障數(shù)據(jù)代入訓(xùn)練好的預(yù)測模型，通過LSTM 模型監(jiān)測9 個特征參數(shù)，利用故障數(shù)據(jù)與預(yù)測數(shù)據(jù)的偏差，超過報警值，進行量化處理，量化公式如式（3）所示，將9 個特征參數(shù)的量化值構(gòu)成向量組Mk{m1，m2，…，mj，…，m9}（k=20，本文選取20 組進行故障診斷）。

式中：mi為第i 個特征參數(shù)的報警點量化值；xi實為第i 個特征參數(shù)報警點實際值；xi預(yù)測為第i 個特征參數(shù)報警點預(yù)測值；ei為第i 個特征參數(shù)故障設(shè)計值與運行值的偏差。

2.4 AHP-RBR 故障診斷模型

RBR 是將一個規(guī)則的結(jié)論作為另一個規(guī)則的前提，將已存在的事實或結(jié)論作為依據(jù)，推論出另一個規(guī)則的思維過程[17]?；谝?guī)則推理的故障診斷方法是利用專家知識、經(jīng)驗和壓氣機故障的案例分析，以故障類型、故障征兆等內(nèi)容存儲在知識庫中[18]，然后以RBR 的推理方式找到故障類型和故障征兆之間的關(guān)系，根據(jù)故障征兆來識別故障類型?；贏HP-RBR 的故障診斷模型是在規(guī)則推理的基礎(chǔ)上，利用層次分析法對故障類型各征兆參數(shù)之間的權(quán)重進行分析。

AHP-RBR 故障診斷模型利用故障知識庫，確定影響壓氣機各故障類型的9 個征兆參數(shù)，且通過征兆參數(shù)上升、下降、正常進行量化分析，將每種故障類型構(gòu)造出向量組，Gi={gi1，gi2，gi3，…，gi9}表示故障知識庫征兆參數(shù)量化值組。如空氣流量下降記為-1，上升記為1，正常則記為0。知識庫的征兆參數(shù)量化結(jié)果如下所示：

然后利用層次分析法根據(jù)專家經(jīng)驗和案例分析，構(gòu)造判斷矩陣A，得出每種故障類型對應(yīng)的各征兆參數(shù)權(quán)重ωi={ωi1，ωi2，ωi3，…，ωi9}。當壓氣機發(fā)生故障時，壓氣機征兆參數(shù)的故障數(shù)據(jù)與預(yù)測數(shù)據(jù)的偏差超過報警值，進行量化處理，構(gòu)成向量組Mk{m1，m2，…mj，…，m9}（k=20）。將知識庫的征兆參數(shù)量化值組Gi與壓氣機故障偏差數(shù)據(jù)量化值組Mk代入相似度模型進行故障診斷。相似度模型的原理是利用不同征兆參數(shù)對故障類型的權(quán)重不同，計算出知識庫征兆參數(shù)量化值與故障數(shù)據(jù)偏差量化值之間的加權(quán)歐氏距離。計算方式為：

式中：di為知識庫征兆參數(shù)量化值與故障數(shù)據(jù)偏差量化值之間的歐氏距離；ωij為壓氣機故障類型對應(yīng)的各征兆參數(shù)權(quán)重值；mj為壓氣機故障偏差量化值；gij為壓氣機知識庫征兆參數(shù)量化值。

通過相似度模型輸出的值越小，表示當前壓氣機故障與知識庫的壓氣機故障類型越相似，由此診斷出壓氣機的故障類型。從而減少了檢修人員排查故障的時間，降低了壓氣機故障帶來的經(jīng)濟損失。AHP-RBR 故障診斷模型如圖6 所示。

圖6 AHP-RBR 故障診斷模型

3 實驗仿真分析

3.1 壓氣機故障類型各征兆參數(shù)權(quán)重

根據(jù)壓氣機故障知識庫，得到故障類型和征兆參數(shù)之間的關(guān)系，確定各征兆參數(shù)對壓氣機故障類型的權(quán)重。根據(jù)已有的研究成果和案例分析，以壓氣機葉片磨損腐蝕P2 為例，分析各征兆參數(shù)對壓氣機葉片磨損腐蝕故障的權(quán)重，利用判斷矩陣的標度axy為數(shù)字1-9 表示，如表3 所示，數(shù)字越大表示某征兆參數(shù)對壓氣機葉片磨損腐的影響越大，構(gòu)建壓氣機葉片磨損腐蝕判斷矩陣A。構(gòu)造的判斷矩陣A 需要進行一致性校驗，由線性代數(shù)知識進行計算，判斷矩陣A 的最大特征值λmax=9.336 7，根據(jù)式（1）和（2）得CI=0.045 8，CR=0.031 6，CR＜0.1 判斷矩陣滿足一致性要求，這時壓氣機葉片磨損腐蝕故障征兆參數(shù)權(quán)重為ω2={0.033 7，0.222 4，0.023 1，0.073 1，0.023 1，0.312 8，0.106 9，0.155 1，0.049 7}。同理，求得其它3 種壓氣機故障類型的征兆參數(shù)權(quán)重如表4所示。

表3 壓氣機葉片磨損腐蝕的判斷矩陣A

3.2 實驗對比分析

選取某發(fā)電廠壓氣機的20 組故障樣本，按照每種故障類型選5 組故障數(shù)據(jù)，每組有9 個征兆參數(shù)的數(shù)據(jù)，對這20 組故障樣本進行診斷。將處理好的壓氣機故障偏差數(shù)據(jù)量化值組Mk代入AHP-RBR 模型和RBR 診斷模型，通過三維圖來展示兩種診斷模型的結(jié)果，圖7 中的故障類型1，2，3，4 分別表示壓氣機葉片積垢、壓氣機葉片磨損腐蝕、壓氣機進氣口結(jié)冰和壓氣機喘振。圖7為AHP-RBR 故障診斷模型輸出的結(jié)果，從圖7可以看出各故障類型的樣本數(shù)據(jù)加權(quán)歐式距離最小值與壓氣機故障類型相對應(yīng)，通過加權(quán)歐式距離最小值反映出了壓氣機的故障類型。為了方便直接觀察，以圖8 的形式展示壓氣機的實際故障類型與AHP-RBR 診斷的結(jié)果，可見AHP-RBR模型的準確率較高。

表4 壓氣機各故障類型的征兆參數(shù)權(quán)重

圖7 AHP-RBR 模型輸出結(jié)果

圖8 AHP-RBR 診斷結(jié)果

圖9 為RBR 故障診斷模型輸出的結(jié)果，從圖9 可以看出有兩組樣本診斷錯誤：第6 組的壓氣機的葉片磨損被誤診斷為葉片積垢，第13 組的壓氣機的葉片積垢被誤診斷為葉片磨損。通過圖10 也可以直觀地發(fā)現(xiàn)第6 和第13 個樣本組診斷錯誤。所以與RBR 模型診斷結(jié)果相比，AHPRBR 具有很好的準確率。

圖9 RBR 模型輸出結(jié)果

圖10 RBR 診斷結(jié)果

4 結(jié)語

本文通過建立壓氣機故障知識庫，挖掘出壓氣機故障類型與征兆參數(shù)之間的規(guī)則性關(guān)系。采用層次分析法確定各征兆參數(shù)對壓氣機故障類型的權(quán)重，通過AHP-RBR 故障診斷模型和相似度模型進行故障診斷。結(jié)合實驗仿真分析，通過AHP-RBR 模型和RBR 模型診斷結(jié)果對比，認為AHP-RBR 的故障診斷模型準確率較高，具有較好的診斷效果。